数据挖掘驱动的模糊建模方法：提高非线性系统建模速度与精度

" 本文介绍了一种基于数据挖掘的非线性系统模糊建模方法，旨在提高建模速度和精确度。该方法结合了改进的减法聚类和模糊C-均值聚类进行结构辨识，同时利用带有动态遗忘因子的递推最小二乘法进行后件参数辨识。 在非线性系统的建模过程中，传统的模糊建模方法往往面临计算复杂度高、精度不足的问题。为了改善这种情况，该研究提出了一种创新的建模策略。首先，通过改进的减法聚类算法来确定模糊规则的初始结构。减法聚类是一种有监督的聚类方法，它能够有效地识别数据中的类别，并且在这个过程中解决了初始化问题，从而减少了计算量，提高了建模速度。接着，结合模糊C-均值聚类进一步优化结构，模糊C-均值聚类是一种常见的模糊聚类算法，可以将数据点分配到最接近的模糊集，以此建立模糊规则。 在结构辨识之后，研究采用了带有动态遗忘因子的递推最小二乘法进行后件参数辨识。递推最小二乘法是一种在线学习算法，能随着新数据的输入不断更新模型参数，而动态遗忘因子则可以根据新旧数据的重要性调整其权重，以减小动态误差，从而提高模型的适应性和精度。 为了验证所提方法的有效性，研究人员将其应用到了Box-Jenkins煤气炉建模和透平膨胀机建模这两个实际问题上。Box-Jenkins模型是时间序列分析中常用的一种方法，而透平膨胀机是能源领域的关键设备，其建模对于性能预测和控制至关重要。通过对这两个案例的仿真，结果表明提出的模糊建模方法在速度和精度上都有显著提升，证明了该方法的实用性。 关键词: 数据挖掘、改进减法聚类、动态遗忘因子、模糊建模。" 这篇文章属于工程技术领域的论文，主要探讨了如何利用数据挖掘技术改进非线性系统的模糊建模，为相关领域的研究提供了新的思路和方法。通过结合不同的聚类算法和参数辨识方法，该研究为提高建模效率和准确性提供了有效工具。